Tekoälyn rooli lihasväsymyksen ennustamisessa virtuaalitodellisuusharjoittelun avulla
torstai 8. kesäkuuta 2023 päivittänyt: Rami Abbas, Beirut Arab University
Tekoälyn rooli lihasväsymyksen ennustamisessa käyttämällä virtuaalitodellisuuskoulutusta terveillä ja COVID19:n jälkeisillä henkilöillä
Tämän havainnollisen ennustetun tutkimuksen tavoitteena on ennustaa lihasten väsymistä käyttämällä tiettyä tekoälyalgoritmia terveillä vs. COVID-19-tartunnan jälkeisillä yksilöillä. Pääkysymys, johon se pyrkii vastaamaan, on:
Voidaanko tekoälyä käyttää luotettavana lähteenä ennustaa paikallinen lihasväsymys terveillä vs. COVID-19-tartunnan jälkeisillä yksilöillä?
Osallistujat jaetaan kahteen ryhmään: terveisiin ja COVID-19 jälkeiseen ryhmään.
- Jokainen ryhmä käy läpi tutustumisprosessin ennen harjoitusten alkua.
- Tämän jälkeen jokainen ryhmä suorittaa kynkyharjoituksia virtuaalitodellisuuslaitteen kynpasis ohjaamana.
- sEMG vastus lateralis- ja rectus femories, rintakehän laajeneminen ja polven goniometriset mittaukset tehdään eri raportoitujen väsymistasojen aikana Biopac-järjestelmän avulla.
- Ryhmät jatkavat kyykkyä samalla kun ne kirjaavat subjektiivisen väsymystasonsa Borgin asteikolla.
- Tiedot ajetaan sitten koneoppimisprosessien läpi, jotta saadaan aikaan tekoälyalgoritmi, joka pystyy ennustamaan yksittäisen lihasväsymyksen.
Tutkimuksen yleiskatsaus
Tila
Valmis
Ehdot
Interventio / Hoito
Yksityiskohtainen kuvaus
Osallistujat jaettiin kahteen ryhmään, joista toinen koostui terveistä yksilöistä ja toinen Covid-19-henkilöistä. Molemmat ryhmät saivat harjoitukseen perehdyttämiskoulutuksen, jonka jälkeen 15 minuutin lepoaika ennen tiedonkeruun alkamista.
Molemmissa ryhmissä suoritettiin kyykkyharjoitus virtuaalitodellisuuden (VR) koneella (kynapsis). Kyykkyjä tehtiin samalla, kun kädet pidettiin vartalojen edessä ja polvet taivutettiin 90 asteeseen kahden sekunnin laskurytmin jälkeen. Kahden sekunnin nousu matkii VR-koneella tehtyä liikettä.
Muita muuttujia otettiin huomioon, mukaan lukien rintakehän laajeneminen ja liikealue sähköisen goniometrin avulla. Kaikki mitattiin ja tallennettiin Biopacilla (BIOPAC Systems, Inc., Santa Barbara, CA), jolla todisteiden mukaan on ylipäästö. taajuussuodatin ja bipolaarinen elektrodijärjestelmä.
Testattavat lihakset ovat QF-lihaksen 3 päätä RF, VM ja VL. Heidän alueensa puhdistettiin alkoholilla ja ajeltiin elektrodien vastuksen vähentämiseksi. Kolme kertakäyttöistä sEMG-pintaelektrodia asetettiin, kaksi niistä lihaksen vatsaan 2,5 cm:n etäisyydellä ja yksi ohjauselektrodi asetettiin agonistin puolelle. Osallistujaa pyydettiin ojentamaan polveaan ja taivuttamaan sitä vastusta vasten lateraalisen ja mediaal vasti. sEMG-elektrodit asetettiin QF-lihaksen osa-alueille harjoituksen aikana. Poimitut tiedot ajetaan sitten tekoälyalgoritmin läpi, joka analysoi ja ennustaa lihasten väsymystä.
Borg (C-10) -asteikko selitettiin osallistujille, ja se oli heidän edessään harjoituksen suorittamisen aikana tulosmittana arvioidakseen subjektiivista lihasväsymystä, joka saavutettuaan lopettaa harjoituksen.
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Todellinen)
90
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
-
Beirut, Libanon
- Ahmad ElMelhat
-
-
Osallistumiskriteerit
Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Aikuinen
Hyväksyy terveitä vapaaehtoisia
Joo
Näytteenottomenetelmä
Todennäköisyysnäyte
Tutkimusväestö
Tutkimuspopulaatio koostui kahdesta ryhmästä.
- Ei-urheilevat terveet henkilöt, jotka eivät ole harjoittaneet intensiivistä toimintaa viimeisen 3 päivän aikana eivätkä olleet aiemmin olleet yhteydessä Covid-19:ään.
- Ei-urheilevat terveet henkilöt, jotka eivät ole harjoittaneet intensiivistä toimintaa viimeisten 3 päivän aikana, mutta joilla on vahvistettu positiivinen PCR-testi 1 vuoden välein.
Kuvaus
Sisällyttämiskriteerit:
- Kaikkien molempiin tutkimusryhmiin kuuluvien koehenkilöiden tulee olla ei-urheilevia terveitä yksilöitä, jotka ovat välttäneet intensiivistä toimintaa viimeisen 3 päivän aikana. Covid-19-ryhmään kuuluville koehenkilöille tulee tehdä positiivinen PCR-testi vuoden välein.
Poissulkemiskriteerit:
- Koehenkilöt, jotka eivät täytä osallistumiskriteerejä, ovat iäkkäitä geriatrisia (yli 50-vuotiaita) tai joilla on hengityselinten, sydämen, munuaisten, hermo-lihas-, ortopedisia tai tuki- ja liikuntaelimistön sairauksia, on suljettava pois tutkimuksesta. Tupakoitsijat ja osa lääkkeiden käyttäjistä on otettava huomioon, koska se vaikuttaa suorituskykyyn ja lisää väsymystä.
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
Terve ryhmä
|
Molemmissa ryhmissä suoritettiin kyykkyharjoitus virtuaalitodellisuuden (VR) koneella (kynapsis).
Kyykkyjä tehtiin samalla, kun kädet pidettiin vartalojen edessä ja polvet taivutettiin 90 asteeseen kahden sekunnin laskurytmin jälkeen. Kahden sekunnin nousu matkii VR-koneella tehtyä liikettä.
|
|
Covid-19 jälkeinen ryhmä
|
Molemmissa ryhmissä suoritettiin kyykkyharjoitus virtuaalitodellisuuden (VR) koneella (kynapsis).
Kyykkyjä tehtiin samalla, kun kädet pidettiin vartalojen edessä ja polvet taivutettiin 90 asteeseen kahden sekunnin laskurytmin jälkeen. Kahden sekunnin nousu matkii VR-koneella tehtyä liikettä.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Pintaelektromyografia
Aikaikkuna: Kyykkyharjoituksen aikana.
|
ei-invasiivinen tekniikka, jossa elektrodit asetettiin nelipäisen reisilihaksen vastus lateralis- ja rectus femoris -päihin, arvioiden sen myoelektristä tuotantoa.
Heidän alueensa puhdistettiin alkoholilla ja ajeltiin elektrodien vastuksen vähentämiseksi.
Kolme kertakäyttöistä sEMG-pintaelektrodia asetettiin, kaksi niistä lihaksen vatsaan 2,5 cm:n etäisyydellä ja yksi ohjauselektrodi asetettiin agonistin puolelle. Osallistujaa pyydettiin ojentamaan polveaan ja taivuttamaan sitä vastusta vasten lateraalisen ja mediaal vasti.
sEMG-elektrodit asetettiin QF-lihaksen osa-alueille harjoituksen aikana.
Poimitut tiedot ajetaan sitten tekoälyalgoritmin läpi, joka analysoi ja ennustaa lihasten väsymystä.
|
Kyykkyharjoituksen aikana.
|
|
Borg Rating of Perceived Exertion (RPE) -asteikko
Aikaikkuna: Kyykkyharjoituksen aikana.
|
Työkalu, jolla mitataan yksilön ponnistuksia ja rasitusta, hengenahdistusta ja väsymystä fyysisen työn aikana, joten se on erittäin tärkeä työterveys- ja työturvallisuuskäytäntöjen kannalta.
Se vaihtelee vähintään 6:sta enintään 20:een, joista 6 tarkoittaa, ettei rasitusta ole ja 20 tarkoittaa äärimmäistä maksimia.
|
Kyykkyharjoituksen aikana.
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Rintakehän laajennus.
Aikaikkuna: Kyykkyharjoituksen aikana.
|
Hengitysanturin käyttäminen, joka on kiedottu kohteen rintakehän ympärille tarranauhalla, joka lähettää laajennustiedot Biopacin päävastaanotinmoduuliin, jotka tallennetaan tietokoneelle.
|
Kyykkyharjoituksen aikana.
|
|
Liikerata.
Aikaikkuna: Kyykkyharjoituksen aikana.
|
Käytetään kohteen polveen kytkettyä sähköistä goniometriä, joka lähettää liikealueen signaaleja Biopacin vastaanotinmoduuliin, jotka tallennetaan tietokoneeseen.
|
Kyykkyharjoituksen aikana.
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Julkaisuja ja hyödyllisiä linkkejä
Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.
Yleiset julkaisut
- Disser NP, De Micheli AJ, Schonk MM, Konnaris MA, Piacentini AN, Edon DL, Toresdahl BG, Rodeo SA, Casey EK, Mendias CL. Musculoskeletal Consequences of COVID-19. J Bone Joint Surg Am. 2020 Jul 15;102(14):1197-1204. doi: 10.2106/JBJS.20.00847.
- Paneroni M, Simonelli C, Saleri M, Bertacchini L, Venturelli M, Troosters T, Ambrosino N, Vitacca M. Muscle Strength and Physical Performance in Patients Without Previous Disabilities Recovering From COVID-19 Pneumonia. Am J Phys Med Rehabil. 2021 Feb 1;100(2):105-109. doi: 10.1097/PHM.0000000000001641.
- Qian J, McDonough DJ, Gao Z. The Effectiveness of Virtual Reality Exercise on Individual's Physiological, Psychological and Rehabilitative Outcomes: A Systematic Review. Int J Environ Res Public Health. 2020 Jun 10;17(11):4133. doi: 10.3390/ijerph17114133.
- Wan JJ, Qin Z, Wang PY, Sun Y, Liu X. Muscle fatigue: general understanding and treatment. Exp Mol Med. 2017 Oct 6;49(10):e384. doi: 10.1038/emm.2017.194.
- A narrative review of immersive virtual reality's ergonomics and risks at the workplace: cybersickness, visual fatigue, muscular fatigue, acute stress, and mental overload Souchet, A.D., Lourdeaux, D., Pagani, A. et al. A narrative review of immersive virtual reality's ergonomics and risks at the workplace: cybersickness, visual fatigue, muscular fatigue, acute stress, and mental overload. Virtual Reality (2022). https://doi.org/10.1007/s10055-022-00672-0
- Donatelli, R.A. (2007) Sports-specific rehabilitation. St. Louis, MO: Churchill Livingstone.
- Hall, J. E., & Hall, M. E. (2020). Guyton and Hall textbook of medical physiology e-Book. Elsevier Health Sciences.
- Schoenfeld BJ. Squatting kinematics and kinetics and their application to exercise performance. J Strength Cond Res. 2010 Dec;24(12):3497-506. doi: 10.1519/JSC.0b013e3181bac2d7.
- Kubo K, Ikebukuro T, Yata H. Effects of squat training with different depths on lower limb muscle volumes. Eur J Appl Physiol. 2019 Sep;119(9):1933-1942. doi: 10.1007/s00421-019-04181-y. Epub 2019 Jun 22.
- Davenport T, Kalakota R. The potential for artificial intelligence in healthcare. Future Healthc J. 2019 Jun;6(2):94-98. doi: 10.7861/futurehosp.6-2-94.
- Tack C. Artificial intelligence and machine learning | applications in musculoskeletal physiotherapy. Musculoskelet Sci Pract. 2019 Feb;39:164-169. doi: 10.1016/j.msksp.2018.11.012. Epub 2018 Nov 23.
- Luna A, Casertano L, Timmerberg J, O'Neil M, Machowsky J, Leu CS, Lin J, Fang Z, Douglas W, Agrawal S. Artificial intelligence application versus physical therapist for squat evaluation: a randomized controlled trial. Sci Rep. 2021 Sep 13;11(1):18109. doi: 10.1038/s41598-021-97343-y.
- Alsobhi M, Khan F, Chevidikunnan MF, Basuodan R, Shawli L, Neamatallah Z. Physical Therapists' Knowledge and Attitudes Regarding Artificial Intelligence Applications in Health Care and Rehabilitation: Cross-sectional Study. J Med Internet Res. 2022 Oct 20;24(10):e39565. doi: 10.2196/39565.
- Sun J, Liu G, Sun Y, Lin K, Zhou Z, Cai J. Application of Surface Electromyography in Exercise Fatigue: A Review. Front Syst Neurosci. 2022 Aug 11;16:893275. doi: 10.3389/fnsys.2022.893275. eCollection 2022.
- Al-Mulla MR, Sepulveda F, Colley M. An autonomous wearable system for predicting and detecting localised muscle fatigue. Sensors (Basel). 2011;11(2):1542-57. doi: 10.3390/s110201542. Epub 2011 Jan 27.
- Calder KM, Stashuk DW, McLean L. Physiological characteristics of motor units in the brachioradialis muscle across fatiguing low-level isometric contractions. J Electromyogr Kinesiol. 2008 Feb;18(1):2-15. doi: 10.1016/j.jelekin.2006.08.012. Epub 2006 Nov 20.
- Torvik, G. I., Triantaphyllou, E., Liao, T., & Waly, S. (1999, March). Predicting muscle fatigue via electromyography: A comparative study. In Proceedings of the 25th International Conference on Computers and Industrial Engineering (pp. 277-280)
- Caesaria, A. P., Endro Yulianto, Luthfiyah, S., Triwiyanto, T., & Rizal, A. (2023). Effect of Muscle Fatigue on EMG Signal and Maximum Heart Rate for Pre and Post Physical Activity. Journal of Electronics, Electromedical Engineering, and Medical Informatics, 5(1), 39-45. https://doi.org/10.35882/jeeemi.v5i1.278
- Ahmad I, Kim JY. Assessment of Whole Body and Local Muscle Fatigue Using Electromyography and a Perceived Exertion Scale for Squat Lifting. Int J Environ Res Public Health. 2018 Apr 18;15(4):784. doi: 10.3390/ijerph15040784.
- Dos Santos PK, Sigoli E, Braganca LJG, Cornachione AS. The Musculoskeletal Involvement After Mild to Moderate COVID-19 Infection. Front Physiol. 2022 Mar 18;13:813924. doi: 10.3389/fphys.2022.813924. eCollection 2022.
- Diem L, Fregolente-Gomes L, Warncke JD, Hammer H, Friedli C, Kamber N, Jung S, Bigi S, Funke-Chambour M, Chan A, Bassetti CL, Salmen A, Hoepner R. Fatigue in Post-COVID-19 Syndrome: Clinical Phenomenology, Comorbidities and Association With Initial Course of COVID-19. J Cent Nerv Syst Dis. 2022 May 24;14:11795735221102727. doi: 10.1177/11795735221102727. eCollection 2022.
- Ducrocq GP, Blain GM. Relationship between neuromuscular fatigue, muscle activation and the work done above the critical power during severe-intensity exercise. Exp Physiol. 2022 Apr;107(4):312-325. doi: 10.1113/EP090043. Epub 2022 Mar 4.
- Joli J, Buck P, Zipfel S, Stengel A. Post-COVID-19 fatigue: A systematic review. Front Psychiatry. 2022 Aug 11;13:947973. doi: 10.3389/fpsyt.2022.947973. eCollection 2022.
- Faulkner JA, Larkin LM, Claflin DR, Brooks SV. Age-related changes in the structure and function of skeletal muscles. Clin Exp Pharmacol Physiol. 2007 Nov;34(11):1091-6. doi: 10.1111/j.1440-1681.2007.04752.x.
Opintojen ennätyspäivät
Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan julkisella verkkosivustolla.
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Lauantai 15. huhtikuuta 2023
Ensisijainen valmistuminen (Todellinen)
Torstai 1. kesäkuuta 2023
Opintojen valmistuminen (Todellinen)
Keskiviikko 7. kesäkuuta 2023
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Maanantai 3. huhtikuuta 2023
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Torstai 13. huhtikuuta 2023
Ensimmäinen Lähetetty (Todellinen)
Perjantai 14. huhtikuuta 2023
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Perjantai 9. kesäkuuta 2023
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Torstai 8. kesäkuuta 2023
Viimeksi vahvistettu
Torstai 1. kesäkuuta 2023
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- AI in Prediciting Fatigue
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
PÄÄTTÄMÄTÖN
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Ei
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Ei
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .